人工智能门槛太高？用这个框架轻松入门深度学习！

想学学深度学习，真的就那么难，门槛那么高吗？

先放一张关于深度学习的图。

门外汉觉得我在造终结者，其他程序员觉得我是土豪，我自己也觉得自己要上天。可是实际上，我只是在 import keras 然后 using TensorFlow backend。所以，起码，围墙外面的人对里面的想象肯定会有偏差。

有人说，我知道深度学习需要很强的数学基础，我必须要先去学扎实数学，然后再开始深度学习。同学，数分高代常微分数值分析复变函数概率统计真的分分钟把你虐到螺旋上天。而且还有许多的同学都已经大三大四毕业工作了或者本身也不是数学专业毕业，哪里有机会从基础数学开始慢慢搞呢。

那么我此生和深度学习已经无缘了吗？不是的，下图是一位深度学习从业者真实的一段话。

你在做深度学习时需要用到高阶数学吗？

肿么可能？~ 谁要是告诉你要用那肯定就是想把你吓懵逼。高阶数学可能在一些深度学习的理论研究领域会用到，但是对大多数人来说肯定还有其他的操作空间。

就好比 LOL ，如果要做个这个游戏恐怕要多年的技术功底和实践经验。

但是要打这个游戏，那不就是 QWER 再加上 DF2 连吗？

所以今天就想介绍一个深度学习框架，让你可以打好深度学习这款游戏~

TensorFlow 有 Keras 这个高阶 API，风头正劲的 Pytorch 自然不能落后，所以在去年 10 月份 Pytorch 发布 1.0 版本时，fastai 1.0 也跟着发布了，而且它的关注度甚至不比 Pytorch 低。

fastai 的作者 Jeremy Howard 因为不爽深度学习的高门槛挡住了许多人，所以他打造的 fastai 所做的就是 “make deep learning uncool”。

具体怎么 uncool 呢，使用 fastai ，你甚至只需要几行代码就能做出很好深度学习模型。比如 Kaggle 上有一个非常受欢迎的竞赛项目： Dogs vs Cats。参赛者需要分类图像中是猫还是狗。以下是用 fastai 进行微调时的所有代码，代码少，参数设置也少。

1. data = data_from_imagefolder(Path('data/dogscats'),

2. ds_tfms=get_transforms(), tfms=imagenet_norm, size=224)

3. learn = ConvLearner(data, tvm.resnet34, metrics=accuracy)

4. learn.fit_one_cycle(6)

5. learn.unfreeze()

6. learn.fit_one_cycle(4, slice(1e-5,3e-4))

如此简单的操作却可以实现前沿的效果，我想 fastai 是很多人入门、体验深度学习很好的选择。

实验楼也推出了一门 fastai 的学习课程，在这里为大家推荐一下。

课程首先介绍 fastai 的基础核心概念，然后配合项目练习，为大家讲解 fastai 在图像分类、文本分类、推荐算法中的应用。

本课程 8 折优惠 中，对该课程感兴趣的同学抓紧时间哦。点击「阅读原文」即可了解课程详细信息。